論文の概要: Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation

• arxiv url: http://arxiv.org/abs/2501.06362v1
• Date: Fri, 10 Jan 2025 21:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:20.456341
• Title: Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation
• Title（参考訳）: 次回のバスケ勧告における非精度指標の繰り返しバイアスを考慮した最適化
• Authors: Yuanna Liu, Ming Li, Mohammad Aliannejadi, Maarten de Rijke,
• Abstract要約: 次のバスケットレコメンデーション(NBR)では、過去のバスケットシーケンスに基づいて、一連のアイテムをユーザに推奨する。 最先端のNBR手法のいくつかは、有効性を最大化するために繰り返し項目を推奨するために非常に偏りがある。 我々は、繰り返しバイアスを考慮せずに、多様性やアイテムフェアネスを最適化するだけで、NBRアルゴリズムがより多くの反復アイテムを推奨する可能性があることを発見した。
• 参考スコア（独自算出の注目度）: 54.5376993040561
• License:
• Abstract: In next basket recommendation (NBR) a set of items is recommended to users based on their historical basket sequences. In many domains, the recommended baskets consist of both repeat items and explore items. Some state-of-the-art NBR methods are heavily biased to recommend repeat items so as to maximize utility. The evaluation and optimization of beyond-accuracy objectives for NBR, such as item fairness and diversity, has attracted increasing attention. How can such beyond-accuracy objectives be pursued in the presence of heavy repeat bias? We find that only optimizing diversity or item fairness without considering repeat bias may cause NBR algorithms to recommend more repeat items. To solve this problem, we propose a model-agnostic repeat-bias-aware optimization algorithm to post-process the recommended results obtained from NBR methods with the objective of mitigating repeat bias when optimizing diversity or item fairness. We consider multiple variations of our optimization algorithm to cater to multiple NBR methods. Experiments on three real-world grocery shopping datasets show that the proposed algorithms can effectively improve diversity and item fairness, and mitigate repeat bias at acceptable Recall loss.
• Abstract（参考訳）: 次のバスケットレコメンデーション(NBR)では、過去のバスケットシーケンスに基づいて、一連のアイテムをユーザに推奨する。 多くのドメインでは、推奨されるバスケットは繰り返しアイテムと探索アイテムの両方で構成されている。 最先端のNBR手法のいくつかは、有効性を最大化するために繰り返し項目を推奨するために非常に偏りがある。 アイテムフェアネスや多様性など,NBRの超精度目標の評価と最適化が注目されている。 重度反復バイアスの存在下で、このような超精度の目標をどうやって追求できるのか? 我々は、繰り返しバイアスを考慮せずに、多様性やアイテムフェアネスを最適化するだけで、NBRアルゴリズムがより多くの反復アイテムを推奨する可能性があることを発見した。 この問題を解決するために,NBR法から得られた推奨結果を,多様性やアイテムフェアネスを最適化する際の繰り返しバイアスを軽減するために,モデルに依存しない繰り返しバイアス認識最適化アルゴリズムを提案する。 我々は最適化アルゴリズムの様々なバリエーションについて検討し、複数のNBR法に対応する。 3つの実世界の食料品ショッピングデータセットの実験により、提案アルゴリズムは、多様性とアイテムフェアネスを効果的に改善し、許容されるリコール損失における繰り返しバイアスを軽減することができることが示された。

関連論文リスト

• Calibrating the Predictions for Top-N Recommendations [3.176387928678296]
  従来の校正手法が上位N項目の誤校正予測をもたらすことを示す。 そこで本研究では,トップN項目に着目したキャリブレーションモデルの最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T13:06:28Z)
• Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation? [57.91114305844153]
  次のバスケットレコメンデーション(NBR)は、ますます注目を集めている特別なタイプのシーケンシャルレコメンデーションである。 NBRに関する最近の研究は、繰り返し項目を推奨することと項目を探索することの間に大きなパフォーマンス差が見つかった。 本稿では,繰り返しアイテムを扱い,個別にアイテムを探索する2段階反復探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-02T09:59:35Z)
• Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping [59.52585406731807]
  次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
  論文  参考訳（メタデータ） (2023-08-02T17:52:37Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Determinantal Point Process Likelihoods for Sequential Recommendation [12.206748373325972]
  本稿では,DPP(Determinantal Point Process)の確率に基づく2つの新たな損失関数を提案する。 提案した損失関数を実世界の3つのデータセットで実験した結果、品質と多様性の指標の両方において、最先端のシーケンシャルなレコメンデーション手法よりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-25T11:20:10Z)
• A Next Basket Recommendation Reality Check [48.29308926607474]
  次のバスケットレコメンデーション(NBR)システムの目標は、以前のバスケットのシーケンスに基づいて、次のバスケットのアイテムをユーザに推奨することである。 我々は,反復と探索の区別を中心に,次のバスケット推薦手法の評価について,新しい角度を提供する。 NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:14:22Z)
• Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation [3.0938904602244355]
  多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。 集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。 本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2020-06-05T22:12:25Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。